LongSeeker：面向长程搜索智能体的弹性上下文编排

长视野搜索代理在推理、调用工具和观察信息时必须管理快速增长的工作环境。天真地积累所有中间内容可能会让代理不知所措，从而增加成本和出错风险。我们建议有效的上下文管理应该是自适应的：代理轨迹的一部分根据其当前与任务的相关性保持在不同的细节级别。为了实施这一原则，我们引入了 Context-ReAct，这是一种用于弹性上下文编排的通用代理范例，它将推理、上下文管理和工具使用集成在一个统一的循环中。 Context-ReAct 提供了五种原子操作：跳过、压缩、回滚、片段和删除，这些操作允许代理动态重塑其工作上下文、保留重要证据、总结已解决的信息、丢弃无用分支以及控制上下文大小。我们证明压缩算子在表达上是完整的，而其他专业算子提供了效率和保真度保证，从而降低了生成成本和幻觉风险。在此范例的基础上，我们开发了 LongSeeker，这是一种在 10k 合成轨迹上根据 Qwen3-30B-A3B 进行微调的长视野搜索代理。在四个代表性搜索基准中，LongSeeker 在 BrowseComp 上取得了 61.5%，在 BrowseComp-ZH 上取得了 62.5%，大大优于 Tongyi DeepResearch（43.2% 和 46.7%）和 AgentFold（36.2% 和 47.3%）。这些结果凸显了自适应上下文管理的潜力，表明智能体可以通过主动塑造工作记忆来实现更可靠、更高效的长视野推理。